AI基础设施初创公司Parasail今日宣布完成3200万美元早期融资。
本轮A轮融资由Touring Capital与Kindred Ventures联合领投,三星电子旗下初创投资部门等多家机构跟投。
从云服务商租用GPU,通常需要企业签订长期采购协议,这对资源有限的初创公司或正在开展小规模AI试点项目的企业来说往往并不实际。Parasail运营着一个推理优化云平台——AI Supercloud,允许客户按Token用量付费购买GPU算力,无需签订长期合同。
目前Parasail提供的最高端显卡为英伟达于2024年初发布的H200。此后英伟达已推出两代更新的GPU产品,性能大幅提升。Parasail的GPU部分运行于自营集群,部分由合作伙伴托管。据报道,该公司可调用分布在逾15个国家、40个数据中心的GPU资源。
取消长期GPU合同只是Parasail平台简化推理流程的方式之一。该公司表示,开发者最少只需五行代码即可部署AI工作负载。模型上线运行后,Parasail还会自动处理内核配置等管理任务。内核是构成AI模型的GPU优化代码片段。
Parasail为客户提供多种芯片访问方式。其中两种无服务器托管方案可自动完成GPU集群管理中的大量繁琐工作;此外还提供专用端点服务,即以牺牲部分便捷性换取更高性能的硬件环境。
开发者可针对不同AI工作负载自定义专用端点的配置参数,包括定义当AI模型流量增长时新增GPU算力的方式与时机。专用端点还支持量化这一神经网络压缩方法,有助于降低推理成本。
Parasail的基础设施产品线还涵盖批处理服务,主要面向需要处理大规模数据、优先考虑成本效益而非性能的AI工作负载。例如,学术出版商可利用该服务批量生成学术论文档案的摘要。
Parasail创始人兼首席执行官Mike Henry表示:"AI正在成为现代软件的核心基础设施,但基础设施层本身的发展却未能跟上。我们打造Parasail,就是为了让团队无需谈判合同、无需管理零散的GPU供应、也无需组建专职性能工程团队,即可大规模部署定制化AI。"
Parasail计划将本轮融资用于强化平台的推理工作负载优化功能,同时扩展合作伙伴生态,并加大市场推广投入。
Q&A
Q1:Parasail的按Token计费模式和传统GPU租用方式有什么区别?
A:传统云服务商的GPU租用通常要求企业签订长期采购合同,适合大规模、持续性需求,但对初创公司或小规模AI试点项目来说成本压力较大。Parasail的按Token计费模式无需签订长期合同,客户只需为实际使用的推理量付费,灵活性更高,更适合资源有限或需求波动较大的用户群体。
Q2:Parasail平台部署AI工作负载的门槛高吗?
A:Parasail的平台设计注重易用性,开发者最少只需五行代码即可完成AI工作负载的部署。模型运行后,平台还会自动处理内核配置等管理任务,无需用户组建专职的性能工程团队,大幅降低了AI推理部署的技术门槛。
Q3:Parasail的批处理服务适合哪些使用场景?
A:Parasail的批处理服务主要面向需要处理大规模数据、且对成本效益要求高于实时性能的AI工作负载。典型应用场景包括学术出版商批量生成论文档案摘要、企业对历史数据进行大批量分析处理等,适合那些不需要低延迟响应但数据体量庞大的任务。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。